地上生物量（AGB）对生态系统的碳库起着重要的贡献，并且是估算作物产量的最重要指标之一。有效、准确、快速地监测局部地区的水稻AGB，可以为农作物育种材料的高通量筛选提供决策支持。直接法通常通过人工采样和称重植物来获取AGB，这会对植被造成损害，需要大量的劳动力，并且浪费时间。利用遥感技术，特别是利用无人机（UAV）估算植被AGB，可以实现及时、无损的作物状况评估，已广泛应用于大面积长时间序列的作物监测和管理。这种独特光谱特征激发了许多研究人员探索开发植被指数（VIs）和使用遥感图像进行植被的定量估算。然而，VI与生物量之间的关系是非线性的，当生物量较高时，VI往往会饱和。机器学习方法和深度卷积神经网络在估算作物地上生物量（AGB）时可以很好地处理复杂和非线性数据。然而，这些模型复杂，需要许多参数和高计算成本，使它们难以应用。除了光谱信息，冠层结构参数，如冠层高度，通常用于估算作物地上生物量（AGB）。近年来，育种技术已经培育出了具有不同物候周期的数百个水稻品种。关于冠层高度是否仍然有效用于估算多品种水稻的AGB，存在不确定性。

2023年5月，Plant Phenomics在线发表了武汉大学题为 Estimation of Rice Aboveground Biomass by UAV Imagery with Photosynthetic Accumulation Models 的研究论文。考虑到使用单一指标如植被指数（VI）和高度来估算整个生长季节的水稻生物量的现有估算方法的不足，本研究提出了一个新的累积模型，通过集成从无人机图像估算的VI和冠层高度，以提高整个生长季节的生物量估算的通用性和准确性。

本研究的主要目的如下：(a)建立水稻的垂直分布模型，通过结合高度和VI准确估算LAI，(b)开发一个光合积累模型（PAM）来准确估算水稻的地上生物量（AGB），(c)提出一个简化的光合积累模型（SPAM），同时确保水稻生物量估算的精确性，(d)测试这两个模型在不同年份获得的数据上的可迁移性，比较不同方法在预测AGB方面的性能，并为它们在不同需求下的应用提供建议。三次试验均采用2018年陵水和2019年鄂州实验采集的数据进行建模，2022年华山实验作为验证集进行模型迁移（表1）。为了更全面地测试模型，2022年在华山专门设置了一个粳稻品种，以测试本研究模型的可推广性和鲁棒性。

表1 三个实验的数据列表

结果表明，水稻整个生长季节的VI与AGB之间的相关性较弱，高度模型的准确性也在整个生长季节中受到限制（图1）。与2019年数据中基于NDVI的水稻AGB估算模型（R²= 0.03，RMSE = 603.33 g/m²）和冠层高度（R²= 0.79，RMSE = 283.33 g/m²）相比，由NDVI和冠层高度计算的PAM可以更好地估算水稻的AGB（R²= 0.95，RMSE = 136.81 g/m²）。基于积累模型的时间序列分析，提出了一种简化的光合积累模型（SPAM），它只需要有限的观测值即可实现R2大于0.8。使用两年样本建立的PAM和SPAM模型成功预测了第三年的样本，也展示了模型的稳健性和泛化能力（图2）。总之，这些方法可以轻松高效地应用于整个水稻生长季节的UAV估算水稻的AGB，具有为大规模田间管理和育种提供服务的巨大潜力。

图1基于2018年陵水和2019年鄂州的VI模型、高度模型、PAM和SPAM计算了整个生长季AGB估算的A ) R²和( B ) RMSE。

图2 基于( A ) EVI2模型、( B )高度模型、( C ) GNDVI的PAM、( D ) GNDVI的SPAM、( E ) NDVI的PAM、( F ) NDVI的SPAM建立的模型预测的2022年和2019年样本的地上生物量实测值与预测值( g / m² )。红色虚线表示预期的1：1关系。

论文链接：

‍http://spj.science.org/doi/10.34133/plantphenomics.0056

——推荐阅读——

A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background

http://doi/10.34133/plantphenomics.0055

Plant Phenomics | 基于无人机成像实现对田间小麦叶面积指数的快速精准估计（二）

Deep learning enables instant and versatile estimation of rice yield using ground-based RGB images 

http://doi.org/10.34133/plantphenomics.0073‍

Plant Phenomics | 基于深度学习的地面RGB图像即时与全方位水稻产量估计

加入作者交流群